شبكات عصبية موجهة بالفيزياء: ثورة جديدة في حل المعادلات التفاضلية العالية الأبعاد

في عالم العلوم الدقيقة والتطبيقات الهندسية، يظل حل المشكلات العكسية في الأنظمة الديناميكية المدعومة بالمعادلات التفاضلية الاعتيادية العالية الأبعاد (Ordinary Differential Equations) تحديًا مستمرًا. يواجه الباحثون صعوبات كبيرة عندما يسعون لتحديد معلمات غير معروفة أو بنى ديناميكية غير مفسرة، خصوصًا عندما يكون هناك نقص في البيانات والخلفية الفيزيائية.

تعتبر الشبكات العصبية الموجهة بالفيزياء (Physics-Informed Neural Networks - PINNs) أدوات مثالية لهذا الغرض، حيث تتيح استنتاجًا موثوقًا تحت قيود الرؤية الجزئية. ومع ذلك، فإن الشبكات الحالية تعاني من صعوبات في تحسين الأداء وتعميم النتائج نظرًا لاعتمادها على تحسين مشترك محدد للمهام.

لتجاوز هذه التحديات، قدمت الأبحاث الجديدة مفهوم الشبكة العصبية الموجهة بالفيزياء العكسية (Meta-Inverse Physics-Informed Neural Networks - MI-PINN)، التي تعيد صياغة النمذجة العكسية كمشكلة تعلم ميتا على مرحلتين. في المرحلة الأولى، تتعلم MI-PINN تمثيلًا يستند إلى الفيزياء عبر مهام متعددة، وفي المرحلة الثانية، تُنفذ النمذجة العكسية من خلال تحسين المعلمات غير المعروفة المرتبطة بكل مهمة مع الاحتفاظ بالتمثيل المُتعلم ثابتًا.

يعزز هذا الأسلوب الكفاءة من حيث عينة البيانات ويحقق استنتاجات دقيقة، وهو ما يعد تطورًا ملحوظًا في هذا المجال. وبالإضافة إلى ذلك، تم إدخال نظام تعلم متعدد الفروع قائم على التجميع التكيفي ليعالج الديناميات متعددة المقاييس التي تُميز الأنظمة العالية الأبعاد.

تم تطبيق MI-PINN على نماذج دوائية تعتمد على الفسيولوجيا الصحية، تشمل ما يصل إلى 33 معادلة تفاضلية مرتبطة، مستخدمين بيانات عن الباراسيتامول والثيوفيلين في سيناريوهات جرعات وريدية وفموية. وبينت النتائج التجريبية نجاح MI-PINN في استعادة المعلمات الديناميكية المفقودة وإعادة بناء مصطلحات آلية مفقودة، حتى مع محدودية الملاحظات السريرية. إن هذه النتائج تفتح آفاقًا جديدة للبحث والابتكار في علوم البيانات المعقدة والعلاجات الدوائية.